16307 articoli
Questa sezione esplora l'intersezione affascinante tra l'intelligenza artificiale e la chimica computazionale, un campo dove algoritmi avanzati accelerano la scoperta di nuovi materiali e farmaci. Attraverso modelli predittivi, gli scienziati possono simulare reazioni complesse e progettare molecole con proprietà specifiche in tempi ridotti, trasformando radicalmente il modo in cui affrontiamo le sfide della scienza moderna.
Ogni nuova preprint pubblicata su arXiv in quest'area viene elaborata da Gist.Science per renderla comprensibile a tutti. Offriamo sia sintesi in linguaggio semplice per il grande pubblico sia riassunti tecnici dettagliati per i ricercatori, garantendo che le scoperte più recenti siano accessibili senza barriere linguistiche. Di seguito trovate le ultime pubblicazioni esaminate in questo settore.
Questo articolo propone un framework Deep Operator Network (DeepONet), potenziato dall'apprendimento residuo e da una strategia di aggregazione dei dati, per approssimare e simulare accuratamente la risposta transitoria dinamica dei generatori sincroni per l'integrazione in simulatori di reti elettriche.
Questo articolo dimostra che la validità del benchmark RemOve-And-Retrain (ROAR) è compromessa poiché le mappe di attribuzione post-elaborazione possono migliorare artificialmente i punteggi senza aggiungere informazioni, rivelando un pregiudizio sistematico verso maschere spazialmente sfocate che ne mina la capacità di valutare accuratamente i metodi di attribuzione delle caratteristiche.
Prism è un framework di co-serving per LLM centrato sulla memoria che utilizza una nuova tecnica di memory ballooning chiamata kvcached per reclamare e riallocare dinamicamente la memoria GPU tra più modelli, unificando così la condivisione spaziale e temporale per migliorare l'efficienza dei costi e l'aderenza agli SLO in ambienti di produzione.
Questo articolo propone una strategia di addestramento basata sul meta-learning che utilizza dataset curati, su piccola scala e specifici per dominio per migliorare la generalizzazione in-context dei transformer, dimostrando che questo approccio raggiunge prestazioni paragonabili all'addestramento su larga scala offrendo al contempo una qualità dei dati, una modularità e una robustezza contro l'oblio superiori.
Questo articolo dimostra che i grandi modelli linguistici sviluppano naturalmente strutture emotive gerarchiche allineate alla psicologia umana, rivelando simultaneamente pregiudizi sistematici nel riconoscimento delle emozioni che colpiscono in modo sproporzionato i gruppi sottorappresentati.
Il documento introduce KG-ER, un linguaggio di schema concettuale progettato per definire la struttura e la semantica dei grafi di conoscenza indipendentemente dalle loro specifiche rappresentazioni di dati sottostanti.
Il documento introduce GetNetUPAM, un framework di validazione incrociata annidata ecologicamente informato accoppiato con una CNN basata sull'attenzione e robusta al rumore (ARPA-N), per migliorare significativamente la generalizzazione e l'affidabilità del monitoraggio bioacustico marino affrontando efficacemente le condizioni di alto rumore e prevenendo l'overfitting su artefatti ambientali localizzati.
Il documento propone CuMA, un framework di Mixture of Adapters consapevole dei dati demografici che mitiga il "Mean Collapse" nei Large Language Models disaccoppiando i gradienti culturali conflittuali in sottospazi esperti specializzati, ottenendo così prestazioni allo stato dell'arte nell'allineamento dei modelli con diversi valori culturali.
Questo articolo presenta uno studio sistematico a metodi misti sulla divinazione mediata da LLM all'interno della cultura Xuanxue in Cina, rivelando come gli utenti sfruttino l'IA per una guida pragmatica attraverso il prompt engineering collaborativo e il bias di conferma, mentre i divinatori professionisti ne rifiutano la validità spirituale, rimodellando infine l'autorità divinatoria tradizionale attraverso pratiche scalabili, ripetibili e co-prodotte.
Il documento presenta GeoDial, un dataset multimodale di oltre 1.300 dialoghi geometria docente-studente con evidenziazioni dei diagrammi, e dimostra che, sebbene il fine-tuning dei modelli vision-language migliori la generazione di dialoghi di tutoraggio, esso attualmente non riesce a produrre accuratamente le necessarie evidenziazioni visive dei diagrammi.